Artificial Intelligence of Things
Edge-Hardware für jede Phase des KI-Projekts
Beschleuniger-Toolkits
KI-Beschleuniger-Toolkits werden von Hardware-Herstellern angeboten und sind speziell für die Beschleunigung von KI-Anwendungen wie maschinellem Lernen und Computer-Vision auf ihren Plattformen konzipiert.
Intel OpenVino – Das Toolkit Open Visual Inference and Neural Network Optimization von Intel wurde dafür konzipiert, Entwicklern beim Erstellen robuster Anwendungen für Computer-Vision auf Intel-Plattformen zu helfen. OpenVINO ermöglicht außerdem ein schnelleres Inferencing für Deep-Learning-Modelle. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Nvidia Cuda – Das Cuda-Toolkit ermöglicht leistungsstarkes Parallel-Computing für GPU-beschleunigte Anwendungen auf eingebetteten Systemen, Rechenzentren, Cloud-Plattformen und Supercomputern, die auf der Compute Unified Device Architecture von Nvidia basieren.
Auf Umgebung abgestimmt
Industrielle Anwendungen, die im Freien oder unter schwierigen Umgebungsbedingungen zum Einsatz kommen, sollten einen weiten Betriebstemperaturbereich aufweisen und über geeignete Mechanismen zur Wärmeableitung verfügen. Bestimmte Anwendungen erfordern zudem branchenspezifische Zertifizierungen oder Zulassungen wie ein lüfterloses Design, einen explosionsgeschützten Aufbau und Vibrationsfestigkeit. Da außerdem viele reale Anwendungen in Schränken mit begrenztem Platzangebot eingesetzt werden und somit Größenbeschränkungen unterliegen, werden Edge-Computer mit kleinem Formfaktor oft bevorzugt. Überdies können hochgradig dezentral organisierte Industrieanwendungen an entlegenen Standorten auch eine Kommunikation über eine zuverlässige Mobilfunk- oder WLAN-Verbindung erfordern. Beispielsweise macht ein industrietauglicher Edge-Computer mit integrierter LTE-Mobilfunkkonnektivität ein zusätzliches Mobilfunk-Gateway überflüssig und spart Platz im Schaltschrank und Kosten für die Bereitstellung. Eine weitere Überlegung ist, dass eine redundante Mobilfunkverbindung mit Dual-SIM-Unterstützung erforderlich sein kann, damit Daten auch dann übertragen werden, wenn das Signal eines Mobilfunknetzes schwach ist oder ausfällt.
Zusammenfassung
Bei der Auswahl der Rechnerplattform für eine AIoT-Anwendung sollten die spezifischen Verarbeitungsanforderungen in den drei Phasen der Implementierung berücksichtigt werden: Datenerfassung, Training und Inferencing. Für die Inferencing-Phase muss auch das Niveau der Edge-Computing-Ebene (niedrig, mittel oder hoch) festgelegt werden, so dass der am besten geeignete Prozessortyp ausgewählt werden kann. Durch sorgfältige Evaluierung der Anforderungen der geplanten AIoT-Anwendung in jeder Phase kann der am besten geeignete Edge-Computer ausgewählt werden.
